长江科学院院报

长江科学院院报 >

2025 , Vol. 42 >Issue 6: 36 - 43

DOI: https://doi.org/10.11988/ckyyb.20240857

水资源

基于卫星测高的武汉市东湖水位变化监测

  • 刘火胜 , 1 ,
  • 汪海洪 , 2 ,
  • 余乾慧 1 ,
  • 卢亮 3 ,
  • 秦鹏程 4 ,
  • 刘义兵 1
展开
  • 1 武汉市公共气象服务中心,武汉 430040
  • 2 武汉大学 测绘学院, 武汉 430079
  • 3 湖北省武汉市水文水资源勘测局, 武汉 430079
  • 4 武汉区域气候中心,武汉 430074
汪海洪(1976-),男,江西宁都人,副教授,博士,主要从事卫星测高理论及应用研究。E-mail:

刘火胜(1970-),男,湖北武汉人,高级工程师,主要从事天气预报和城市气象研究。E-mail:

Copy editor: 黄玲

收稿日期: 2024-08-12

  修回日期: 2024-10-10

  网络出版日期: 2025-01-02

基金资助

国家自然科学基金项目(41974016)

海绵城市建设水系统科学湖北省重点实验室开放基金项目(武汉大学)(2022-04)

武汉市园林和林业局科技基金项目(WHGF2022A05)

湖北省自然科学基金项目(2023AFD098)

收起

Water Level Variation Monitoring in East Lake, Wuhan Based on Satellite Altimetry

  • LIU Huo-sheng , 1 ,
  • WANG Hai-hong , 2 ,
  • YU Qian-hui 1 ,
  • LU Liang 3 ,
  • QIN Peng-cheng 4 ,
  • LIU Yi-bing 1
Expand
  • 1 Wuhan Public Meteorological Service Center, Wuhan 430040, China
  • 2 School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China
  • 3 Wuhan Hydrology and Water Resources Survey Bureau, Wuhan 430079, China
  • 4 Wuhan Regional Climate Center, Wuhan 430074, China

Received date: 2024-08-12

  Revised date: 2024-10-10

  Online published: 2025-01-02

Fold

摘要

为验证卫星测高技术监测城市湖泊水位变化的能力,以武汉东湖为例评估Jason-3卫星测高数据的质量,比较ICE、重心偏移法和阈值法等重跟踪方法的效果,采用一种稳健的测高数据策略构建东湖2017—2022年湖水位时间序列,并结合气象数据分析湖水位变化特征。结果表明对于东湖Jason-3测高数据采用50%阈值的阈值法重跟踪精度最高,与水文实测水位相比均方根误差为0.108 m,相关系数为0.87。2017年9月至2022年3月,东湖水位稳定在19.5 m左右,变化幅度<0.5 m,月变化基本在0.2 m以内。东湖水位与降水量相关性差,没有明显的季节性变化,人为调控起着支配作用。研究结果展示了卫星测高技术用于城市湖泊水位变化监测的潜力。

关键词： 水位监测; 卫星测高; 城市湖泊; 波形重跟踪; 武汉东湖

本文引用格式

刘火胜 , 汪海洪 , 余乾慧 , 卢亮 , 秦鹏程 , 刘义兵 . 基于卫星测高的武汉市东湖水位变化监测[J]. 长江科学院院报, 2025 , 42(6) : 36 -43 . DOI: 10.11988/ckyyb.20240857

Abstract

[Objectives] Satellite altimetry has become a crucial method for monitoring lake water levels, yet significant challenges remain in its application to small lakes, particularly in complex urban environments. Currently, limited studies explore the effectiveness of satellite altimetry for monitoring variations of urban lake water levels. Using East Lake in Wuhan as a case study, this study evaluates the quality of Jason-3 satellite altimetry data, aiming to validate the capability of satellite altimetry in monitoring urban lake water level variations. [Methods] Based on the Jason-3 Sensor Geophysical Data Record (SGDR) products from 2017 to 2022, this study used two key parameters—pulse peakiness and waveform width—to first analyze the altimetry waveform characteristics of East Lake. In addition to the original range observations and ICE-retracked ranges provided by SGDR products, this study applied the Offset Center of Gravity (OCOG) and threshold methods for waveform retracking. Among them, the threshold retracking method selected eight threshold levels ranging from 20% to 90% (in 10% increments) to analyze the retracking performance under different thresholds. A robust coarse elimination strategy based on the Median Absolute Deviation (MAD) was employed to eliminate outliers from the water level observation data, followed by the calculation of periodic average water levels to construct the lake water level time series. To evaluate the quality of water level data by different methods, the range and standard deviation of water levels in each period, as well as the number of invalid periods, were statistically analyzed. Additionally, the accuracy of the results using different methods was verified using the measured data from hydrological stations. Finally, meteorological data (precipitation, evaporation) and a water balance model were integrated to quantify the contributions of natural and anthropogenic factors to East Lake’s water level variations. [Results] (1) Statistical analysis of pulse peakiness and waveform width from the lake surface altimetry echoes revealed that approximately 50% of East Lake’s waveforms exhibited specular reflections with distinct sharp peaks, while about 30% displayed complex shapes containing two or more peaks. (2) The results of accuracy validation using the on-site measured data of water levels showed that the 50% threshold retracking method achieved optimal performance, with a root mean square error (RMSE) of 0.108 m and a correlation coefficient of 0.87. (3) Based on the 50% threshold retracking method, and using Jason-3 data, the water level time series of East Lake from September 2017 to February 2022 was established. The results demonstrated that the lake water level remained stable around 19.5 m during this period, with annual fluctuations <0.5 m, monthly variations <0.2 m, and no pronounced seasonal pattern. Although precipitation was the primary water source, water levels showed extremely low correlation with precipitation (R=0.007), and weak negative correlation with evaporation (R=-0.44). According to the analysis of water balance, artificial regulation played a key role in the water level variations of East Lake. [Conclusions] (1) Jason-3 satellite altimetry data can effectively monitor urban lake water level variations, but requires careful data processing, including waveform retracking and outlier elimination. (2) Despite complex waveforms over urban lakes, retracking methods significantly improve altimetry accuracy. Compared with waveform retracking methods such as OCOG, ICE, and threshold method, the 50% threshold method is more suitable for urban lakes.

Key words： water level monitoring; satellite altimetry; urban lake; waveform retracking; East Lake in Wuhan

开放科学(资源服务)标识码(OSID):

0 引言

武汉市东湖是我国最大的城中湖之一,周边遍布自然景观和人文景点,承担着雨水调蓄、生态调节、渔业养殖、景观娱乐等多重功能,对城市生态、环境、经济和社会的可持续发展具有重要影响[1]。监测东湖的水位变化对于武汉市水资源的科学管理、生态环境保护、防洪排涝和应对气候变化等均具重要意义[2-4]。
近年来,卫星测高技术已被广泛用于湖泊水位变化监测[5]。利用卫星测高不仅可以开展大范围乃至全球的湖泊长时间水位动态变化监测研究[6-8],更可为缺少水文资料的偏远地区湖泊水文研究提供了重要数据[9-10]。但是,卫星测高技术监测湖水位也存在精度和分辨率较低的问题,主要是由于测高波形易受到湖区周围非水体反射信号的影响,从而导致测高观测数据质量下降。解决这一问题的主要方法是对卫星测高波形进行重跟踪,为此国内外学者提出了许多波形重跟踪方法。重心偏移法(Offset Center of Gravity, OCOG)[11]和阈值法[12]是较早提出的用于精化内陆测高数据的2种经典算法。随后,基于这2种算法发展了众多改进的重跟踪算法[13-16]。波形重跟踪技术有效提高了测高湖水位的精度,但是目前主要应用于大中型湖泊,小面积湖泊的水位监测仍存在巨大挑战[5]。
现有研究很少涉及城市湖泊的水位监测,大多是针对面积超过100 km2的湖泊或水库[17-18]。尽管也有研究利用卫星测高数据成功提取了更小湖泊的水位数据,但是这些湖泊基本位于青藏高原等偏远地区,有效数据少,精度也较差,无法满足月内尺度的水位动态监测[7,19]。相较于自然湖泊,城市湖泊一般面积较小,湖岸与湖水面之间有显著高差,周围还存在大量植被和人工建筑物,甚至还有山丘。不同高程的反射面使测高波形变得异常复杂,影响卫星测高的精度。因此,复杂城市环境干扰下的城市湖区卫星测高数据质量,以及监测水位变化的精度有待评估和验证。
本文以东湖为例评估卫星测高技术监测城市湖泊水位变化的能力,基于Jason-3卫星测高数据确定武汉市东湖2017—2022年水位变化时间序列,利用实测水位对卫星测高结果进行精度验证,并结合降水和蒸发量等数据分析东湖水位变化特征。

1 研究区域概况

东湖位于武汉市中心城区(图1),水域面积约33 km2,汇水面积约126 km2,最大容积1.24亿m3。东湖地处长江中游,东西北三面被长江环绕,南面为近东西走向的低山丘陵,湖区多年平均气温17.4 ℃,年降水量1 309 mm,蒸发量889 mm。东湖属浅水湖,平均深度夏季约2.5 m,冬季约2.1 m,北浅南深,东西差别较小。东湖最初为与长江连通的天然敞水湖,湖水位随江水涨落,夏涨冬枯。自青山港武丰闸建成后,东湖成为受人工调控的封闭湖,入汇水主要为降水径流和城市排水,湖水位变化平缓。东湖水位稳定在19.5 m上下,最高允许水位21 m,水位月变幅0.2~0.3 m,年较差一般<1 m。东湖现主要依靠2个排水系统实现联合排涝:一是经筲箕湖、新沟渠、沙湖港东段、罗家港由罗家路自排闸或罗家路泵站出长江;二是经水果湖、楚河至沙湖,再由沙湖经新生路泵站出长江。
图1 研究区域和Jason-3卫星地面轨迹

Fig.1 East Lake area and Jason-3 satellite ground track

2 数据与方法

2.1 数据源

测高数据采用法国AVISO(Archiving, Validation and Interpretation of Satellite Oceanographic)提供的Jason-3卫星SGDR(Sensor Geophysical Data Record)产品。Jason-3卫星发射于2016年1月,轨道高度1 336 km,倾角66°,重复周期10 d。卫星安装有Peseidon-3B新型高度计,具有混合2种模式的回波信号跟踪系统,能够根据卫星位置自动切换跟踪模式。这种新型高度计的应用使得Jason-3卫星在湖泊、河流等内陆水域也有很好的表现。
SGDR产品提供了20 Hz采样的原始距离观测值和3种重跟踪算法(MLE4、MLE3和ICE)的测距值,其中MLE4和MLE3的结果在内陆水域缺失数据较多,本研究未采用。SGDR还包含各项环境与地球物理改正数以及测高波形数据,可供用户进行波形重跟踪处理。Jason-3 卫星第88号降轨(图1中白色虚线)自北向南穿过东湖的西南部,湖面轨迹北端地势较平,但是植被茂盛,南端靠近珞珈山(海拔118.5 m)和枫都山(海拔65.4 m),全长约2.2 km,与高度计脉冲的星下点足迹直径(~2 km)接近。由于第58周期之前有一年多时间的数据缺失,同时2022年4月7日卫星变轨后不再经过东湖,本文选取了第58—第226周期第88号降轨的数据,时间跨度为 2017年9月8日至2022年3月31日。
测高水位精度评估利用武汉市水文水资源勘测局提供的水文站实测水位数据作为验证数据。该数据为日采样值,采样时间从2019年1月1日至2024年4月15日,与Jason-3测高数据有39个月的重叠。此外,本文还使用了武汉市气象局提供的降水量和蒸发量数据,辅助分析测高监测到的东湖水位变化。

2.2 测高湖水位计算方法

利用卫星测高数据确定湖水位,不仅要进行各项改正,还必须剔除观测数据中的异常值。本文计算测高湖水位采用的数据处理流程和方法如下:
(1)数据提取。利用水体掩膜从SGDR产品中提取湖面卫星测高数据,包括测高波形、卫星高度、卫星至湖面距离观测值和各项地球物理改正等数据。利用地球重力场模型(本文采用EGM2008模型)计算大地水准面高。
(2)单点水位计算。卫星测高的直接观测量是卫星至地球表面的距离,与卫星高度作差可得到地面点的大地高,扣除大地水准面高即可转换为地面点的正高。湖水位的计算公式可表示为
L L = H s - R - N 　 。
式中:LL为湖水位;Hs为卫星相对参考椭球的高度,由卫星精密定轨得到; N为大地水准面高; R为经过改正的卫星高度计距离观测值,改正公式为
R = R 0 + W T C + D T C + I C + S T + P T + Δ R 　 。
式中: R 0为高度计测距值;WTC、DTC、IC分别为湿对流层、干对流层和电离层延迟改正;ST、PT分别为固体潮改正和极潮改正;ΔR为波形重跟踪改正。
对于卫星测高的内陆应用,波形重跟踪改正极为重要。除了SGDR产品中ICE重跟踪结果,本文还利用OCOG法和阈值法2种经典重跟踪方法对测高波形进行重跟踪处理,以评估不同重跟踪方法对湖水位精度的影响。
(3)周期平均湖水位计算。经过各项改正得到的湖水位仍可能存在误差和异常值,同一周期各湖面观测点水位不相等(理论上应相等)。因此,需要对第2步得到的逐点湖水位进行异常值检测,再计算各周期的水位均值作为最后的湖水位。
为了剔除异常数据,本文采用了两步法:①整体去粗差。利用移动中位数绝对偏差法(Median Absolute Deviation, MAD)对全部数据点进行粗差检测和剔除。粗差值定义为在指定移动窗口长度与局部中位数相差>3倍换算 MAD 的值。换算MAD定义为
M A D = 1.486   2 × m e d L L i - m e d L L i 　 。
式中:LLi是给定时间窗内(本文取180 d)的水位观测值;med表示取中位数。
②逐周期离群值检测,即对每个周期的观测数据应用MAD法进行离群值检测和剔除。经两步异常点检测,利用剩余的有效数据点计算得到周期平均湖水位序列。
(4)湖水位时间序列构建。对周期平均湖水位序列再次应用移动MAD法,剔除可能的异常周期。为抑制随机观测误差的影响,可采用移动均值滤波等低通滤波方法对结果进行平滑处理,得到最后的湖水位时间序列。

2.3 数据质量分析和精度评估方法

对于湖面卫星测高数据的质量,本文主要从2个方面进行评估。首先利用脉冲峰度(Pulse Peakiness,PP)和波形宽度(W)两个参数分析湖面测高波形的质量,其计算式分别为:
P P = 31.5 P m a x ∑ i = 5 n - 5 P i 　 ,
W = ∑ i = 1 n P i 2 2 ∑ i = 1 n P i 4 　 。
式中: P i ( i = 1,2 , … , n )为测高波形第i个采样门的功率;n为波形采样门的总个数,Jason-3波形的采样门总数为104;Pmax为波形的最大功率。PP较小时,测高波形中干扰信号较多,导致波形宽度大、形状不规则,相应的测高数据质量较差。
其次,通过分析各周期水位数据的离散度评估测高数据质量。离散度分析采用极差r和标准差SD两个指标,即:
r = L L m a x - L L m i n 　 ,
S D = 1 N - 1 ∑ i = 1 N L L i - L L ¯ 2 　 。
式中:N是每周期的数据点数;LLmax、LLmin和 L L ¯分别是每个周期湖水位的最大值、最小值和平均值。
精度评估采用均方根误差(Root Mean Square Error,RMSE)为评价指标,即
R M S E = 1 m ∑ j = 1 m L L j - T G j 2 　 。
式中:LLj、TGj(j=1,2,…,m)分别测高水位和水文实测水位;m为数据个数。
测高水位和实测水位之间的相关系数(Correlation Coefficient, CC)作为反映结果好坏的一个间接指标。此外,剔除粗差值后的有效周期数或数据有效率也是卫星测高数据处理中需要考虑的一个重要参考指标。

3 结果与分析

3.1 卫星测高数据质量分析

利用Jason-3数据共提取到160个周期1 371个湖面20 Hz采样的数据点,平均每周期约8个,最多的有11个,最少的仅有6个。图2是湖面测高波形的峰度和宽度两个特征参数的统计结果。图2(a)显示约50%的湖面波形宽度<10,说明东湖测高波形大部分呈尖峰状的镜面反射波形,但是也有20%的波形宽度>35,这些波形主要是受非湖面反射信号干扰形成的复杂波形,大多含有2个甚至多个波峰。图2(b)的脉冲峰度统计结果表现出与宽度类似的特征,超50%的波形PP>3,表明波形含有显著的尖峰。湖面约有30%的复杂波形,PP<1.5。如果按有些研究中以1.5为阈值进行数据筛选[15],会有大量数据被剔除。因此,为保留尽可能多的有效数据点,本文未对波形进行筛选。
图2 东湖Jason-3卫星测高波形参数统计

Fig.2 Statistics of waveform parameters of Jason-3 satellite altimetry for East Lake

采用OCOG法和不同阈值水平的阈值法对全部波形进行重跟踪处理。阈值法记为TRxx,“xx”代表阈值水平xx%。统计各种重跟踪方法得到的湖水位每个周期的极差和标准差,结果如图3所示。图3(a)是整体去粗差后2个量的箱型统计图,图中“×”符号表示偏离中位数超过1.5倍四分位距的离群值。整体去粗差后如果周期内数据点少于2个,则该周期作为无效周期被剔除,图3(b)给出了各重跟踪方法的无效周期数。其中OCOG法的极差和标准差明显比阈值法大,表明OCOG法对于东湖测高数据的重跟踪精度较差。尽管ICE方法各周期湖水位的标准差中位数较小(接近0.2 m),但是存在许多标准差>1.4 m的异常周期。对于阈值法而言,中间阈值水平的统计结果相对较好,极差中位数在0.8 m左右,标准差中位数约为0.3 m,表明得到的东湖水位值相对更为集中。其中,TR30—TR60算法的标准差中位数分别为0.28、0.30、0.28、0.29 m,在统计意义上没有显著差异。但是图3(b)显示TR50只有3个无效周期数,在所有重跟踪方法中最小,因此,可以认为TR50的重跟踪效果最优。
图3 不同重跟踪方法湖水位数据质量对比

Fig.3 Comparison of data quality of lake water levels using different retracking methods

图3显示未经重跟踪处理的原始水位数据(Raw)的2个离散度指标均显著小于重跟踪后的水位数据,最大极差<0.6 m,所有周期的标准差都优于0.2 m。这表明原始水位观测值很集中,给人原始测高数据质量很好的假象。由图4给出的全部周期的水位散点图可以看到,尽管原始水位周期内集中度很高,但是水位在第84和第166周期出现>2 m的突变。如此大的跳变与东湖水位变化特征不符,而且ICE或TR50重跟踪水位均未出现类似的跳变。因此,可以断定原始水位中的跳变是虚假信号。Jason-3卫星高度计的跟踪算法利用数字高程模型(Digital Elevation Model,DEM)给定的地面高程初值辅助锁定雷达回波信号,出现跳变的原因可能与DEM所确定的湖水位初值不同有关。重跟踪后的水位值集中在20 m附近,ICE方法(阈值水平为30%)的异常水位大多高于这个值,而TR50的异常值在20 m上下分布较为均匀。这说明许多测高波形的真实前缘之前含有非湖水面反射形成的波峰,当使用较小的阈值水平时,得到的水位相对真实水位偏大。
图4 东湖原始测高水位和ICE、TR50重跟踪水位散点

Fig.4 Scatter plot of raw altimetry-derived water levels, and ICE- and TR50-retracked water levels for East Lake

3.2 测高水位时间序列精度验证

图5给出了不同重跟踪水位与水文实测水位比较的精度结果。对比滤波平滑前后的结果发现,滤波平滑处理可有效改善测高水位的精度。效果较好的重跟踪方法滤波前RMSE在0.2~0.3 m之间,CC在0.6~0.7之间;滤波后RMSE提升至接近0.1 m,CC>0.8,具体统计结果见表1。
图5 不同重跟踪方法的效果比较

Fig.5 Performance comparison of different retracking methods

表1 各种重跟踪方法得到的东湖水位精度统计

Table 1 Statistics of water level accuracy for East Lake using different retracking methods

重跟踪方法 RMSE/m CC
滤波前 滤波后 滤波前 滤波后
Raw 1.902 1.873 0.47 0.47
ICE 0.251 0.118 0.57 0.83
OCOG 0.890 0.460 0.11 0.24
TR20 0.248 0.123 0.59 0.81
TR30 0.243 0.138 0.68 0.82
TR40 0.194 0.113 0.69 0.85
TR50 0.212 0.108 0.67 0.87
TR60 0.248 0.149 0.60 0.77
TR70 0.211 0.135 0.66 0.81
TR80 0.325 0.194 0.43 0.64
TR90 0.561 0.396 0.19 0.28

注:加粗数值是各列中的最优值。

在所有方法中,原始水位精度最差,RMSE约为1.9 m,即使经过多步异常值剔除处理精度也未能得到有效提升。OCOG水位精度仅次于原始水位,且与实测水位的相关性最差。阈值法中,TR40和TR50精度最高,滤波前TR40稍微占优,滤波后则是TR50更佳。由此可见,对于东湖测高波形,采用40%~50%中等阈值水平的重跟踪效果最优。其中,TR50水位精度最高达0.108 m,而且有效周期数比TR40更多,因此,后续分析采用TR50重跟踪结果。
图6给出了TR50重跟踪湖水位与实测水位的对比图。图6(a)中的黑色曲线为实测水位,带误差棒的圆点是各周期平均水位,红色圆点是被剔除的异常值,品红色曲线表示滤波平滑后的湖水位,绿色柱状图表示测高水位相对实测水位的误差。由于测高水位与水文实测水位的参考高程基准不同,两者之间存在系统偏差。通过比较重复时段内2种水位的平均差值,确定TR50水位相对实测水位的系统偏差为0.45 m,图中TR50水位已经过偏差校正。图6(b)是TR50和实测水位的线性回归结果,模型的斜率达0.9,通过了0.01显著性水平检验,表明两者具有强相关性,相关系数为0.87。由误差统计直方图(图6(c))可以看出,TR50水位相对于实测水位的误差大部分<0.2 m,只有少数周期的误差>0.2 m。
图6 TR50重跟踪水位与实测水位对比

Fig.6 Comparison between TR50-retracked water levels and measured data

3.3 东湖水位变化及相关因素分析

由图6(a)可知,2017年9月至2022年2月东湖水位保持在19.5 m附近,起伏未>0.5 m。而且东湖水位没有明显的季节性变化,甚至经常出现丰水季水位低、枯水季水位高的现象,这表明东湖水位变化受到人类活动的影响。为进一步分析东湖水位变化与气象因素和人为因素的关系,利用TR50重跟踪的测高水位结果计算东湖水位月变化量,图7给出了东湖水位月变化、逐月降水量和蒸发量。东湖为城市内湖,除人为因素外,主要以降水径流为补给,湖水输出主要为蒸发。不考虑人为因素,可以由降水、蒸发数据估算湖水位月变化量,结果如图7所示。降水导致的湖水位变化(ΔLPre)由入湖雨水量(W)除以湖面面积( S)得到,入湖雨水量采用径流系数法估算,计算公式为
Δ L P r e = W S = 0.001 Ψ P r e F S 　 。
式中: F为东湖汇水面积;Pre为月降水量(mm);Ψ为综合径流系数,取0.7[2]。
图7 东湖水位月变化与月降水量和蒸发量

Fig.7 Monthly variations of water levels and monthly precipitation, and evaporation in East Lake

卫星测高监测到的东湖水位月变化大多在±0.2 m以内,无明显变化规律。水位月变化与月降水量的相关系数仅为0.007,未通过0.05显著性检验,与月蒸发量呈现出一定的负相关,相关系数为-0.44(p=0.000 8)。对比图7中测高水位和预估水位,测高水位月变化明显小于由气象数据计算的预估水位变化,仅少数月份两者较为一致。尤其是梅雨季,预估湖水位均有很大增幅,但是实测水位大多不升反降。每年汛期前,东湖水位都有下降的过程,说明为应对汛期的强降雨,对东湖水位进行了人为调控。
根据湖水量平衡方程分析东湖水量变化及各要素的贡献,估计人为因素对东湖水量变化的影响,如图8所示。东湖水量的月变化幅度较小,最大变化出现在2018年1月,约增加了0.11亿m3。由图8可以看出,降水径流汇入东湖的水量存在明显的季节变化,每年汛期汇入水量显著大于湖面蒸发量和湖水实际变化量。图8中的方条形表示由湖水量平衡方程估算得到的人为因素产生的水量变化,主要包括城市排污(湖水增加)和泵站抽排水(湖水减少)。因为排入东湖的城市污水量要远比通过泵站外排入长江的水量小得多,这里将人为因素的水量变化近似作为泵站抽排水量估值。可见,抽排水量基本接近降水汇入量,维持了东湖水量的平稳变化。例如,2020年武汉市经历了43 d的超长梅雨期,持续时间为近24 a最长,遭遇多轮强降雨过程,平均降雨总量居历史第3位。通过卫星测高监测到的东湖水量月变化在整个汛期内均在零值附近,说明外排泵站能够及时将汇入东湖的雨水排入长江。
图8 东湖水量月变化及各要素的贡献

Fig.8 Monthly variations of water balance in East Lake and contribution of individual factors

由于没有城市污水排放和泵站抽排量的具体数据,无法对上述结果进行精确的精度评估。通过查阅武汉市水资源公报[20],获得了2020年罗家路和新生路2个外排泵站的总抽排量,以及王家店、落步嘴2个污水处理厂的年处理水量,因而可以对东湖2020年度总水量变化进行验证,具体数据列于表2。利用本文结果得到的抽排量估值与实际抽排量相差0.072亿m3,相对误差仅为2.7%,说明了估计结果的合理性。
表2 东湖2020年水量平衡分析

Table 2 Analysis of water balance in East Lake in 2020 亿m3

降水汇
入量		 污水入
湖量		 湖面蒸
发量		 湖水变
化量		 抽排量
估值		 实际抽
排量
2.492 0.502* 0.259 0.142 2.593 2.665*

注:排水量估值=降水汇入量+污水入湖量-湖面蒸发量-湖水变化量,*值取自2020年武汉市水资源公报。

4 结论

本文分析了武汉市东湖Jason-3卫星测高数据质量,比较了多种波形重跟踪方法,采用整体去粗差和逐周期离群值检测相结合的异常值剔除策略,构建了东湖2017—2022年水位时间序列,结合降水量和蒸发量分析了东湖水位变化特征,并探讨了人工调控对湖水位的影响。主要结论如下:
(1)东湖Jason-3卫星原始测高数据每个周期内的不确定度很小,标准差均优于0.2 m,但是周期间可能会出现米级的虚假跳变,导致确定的湖水位精度较差。要监测湖水位变化,必须对原始测高数据进行波形重跟踪处理。
(2)尽管东湖测高波形比较复杂,波形重跟踪仍能有效提高测高水位精度。对比ICE、OCOG和阈值法等重跟踪方法发现,采用50%阈值的阈值法(TR50)在东湖的重跟踪效果最佳。测高湖水位与水文实测水位相比RMSE为0.108 m,相关系数为0.87。该精度与许多大型湖泊的水位监测结果一致,证明卫星测高技术可有效用于监测城市湖泊水位变化。
(3)利用Jason-3数据确定的2017年9月至2022年2月东湖水位时间序列显示,虽然东湖以降水为主要补给,但东湖水位变化没有明显的季节性规律,与降雨量没有相关性,人为调控起着支配作用。东湖水位一直维持在19.5 m左右,变化幅度<0.5 m,月变化基本在0.2 m以内。即使在遭遇持续强降雨的2020年6—7月,东湖水位仍保持在目标水位附近,表明东湖水位得到了科学合理的调控。
东湖的研究结果展示了卫星测高技术在复杂城市环境下仍具有监测湖泊水位变化的能力。本文采用经典的阈值法进行波形重跟踪处理,虽然取得了较好的结果,但该方法未考虑城市湖泊测高波形的复杂特征和水位变化特点,导致仍有一些周期的数据被剔除。若能针对城市湖泊测高波形开发新的重跟踪方法,测高水位精度仍有提升空间。随着合成孔径雷达模式和宽刈幅模式等更高空间分辨率的新型测高技术的出现,卫星测高技术监测城市湖泊水位变化的能力有望进一步提高,可为城市水资源监测和管理提供重要的支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
彭军, 桂梓玲, 岳克栋, 等. 大型城市浅水湖泊水环境综合治理: 以武汉市东湖为例[J]. 人民长江, 2023, 54(12): 24-33.

(PENG Jun, GUI Zi-ling, YUE Ke-dong, et al. Comprehensive Water Environment Treatment of Large Shallow Urban Lake: Case of East Lake in Wuhan City[J]. Yangtze River, 2023, 54(12): 24-33. (in Chinese))

[2]
方正, 王渲. 对武汉内涝及湖泊调蓄功能的探讨[J]. 中国农村水利水电, 2017(6):101-104,110.

(FANG Zheng, WANG Xuan. A Probe into the Waterlogging and Flood Storage Potential of Lakes in Wuhan City[J]. China Rural Water and Hydropower, 2017(6):101-104,110. (in Chinese))

[3]
罗慧萍, 曹慧群, 罗平安. 引水调度对东沙湖生态水文要素的影响[J]. 长江科学院院报, 2020, 37(12):22-27.

DOI

(LUO Hui-ping, CAO Hui-qun, LUO Ping-an. Influence of Water Diversion and Dispatching on the Eco-hydrological Elements of Dongsha Lake[J]. Journal of Changjiang River Scientific Research Institute, 2020, 37(12):22-27. (in Chinese))

[4]
杨柯, 段功豪, 牛瑞卿, 等. 基于多源遥感影像的武汉都市发展区湖泊变迁分析[J]. 长江科学院院报, 2016, 33(1): 139-142, 146.

DOI

(YANG Ke, DUAN Gong-hao, NIU Rui-qing, et al. Analysis of Lake Changes in Wuhan Based on Multi-source Remote Sensing Data[J]. Journal of Yangtze River Scientific Research Institute, 2016, 33(1): 139-142, 146. (in Chinese))

DOI

[5]
姜丽光, 刘俊, 张星星. 基于卫星雷达测高技术的湖库动态监测理论、方法和研究进展[J]. 遥感学报, 2022, 26(1): 104-114.

(JIANG Li-guang, LIU Jun, ZHANG Xing-xing. Monitoring Lakes and Reservoirs Using Satellite Radar Altimetry: Theory, Methods, and Progresses[J]. National Remote Sensing Bulletin, 2022, 26(1): 104-114. (in Chinese))

[6]
李建成, 褚永海, 姜卫平, 等. 利用卫星测高资料监测长江中下游湖泊水位变化[J]. 武汉大学学报(信息科学版), 2007, 32(2): 144-147.

(LI Jian-cheng, CHU Yong-hai, JIANG Wei-ping, et al. Monitoring Level Fluctuation of Lakes in Yangtze River Basin by Altimetry[J]. Geomatics and Information Science of Wuhan University, 2007, 32(2): 144-147. (in Chinese))

[7]
廖静娟, 薛辉, 陈嘉明. 卫星测高数据监测青藏高原湖泊2010—2018年水位变化[J]. 遥感学报, 2020, 24(12):1534-1547.

(LIAO Jing-juan, XUE Hui, CHEN Jia-ming. Monitoring Lake Level Changes on the Tibetan Plateau from 2000 to 2018 Using Satellite Altimetry Data[J]. National Remote Sensing Bulletin, 2020, 24(12): 1534-1547. (in Chinese))

[8]
CHEN J, LIAO J. Monitoring Lake Level Changes in China using Multi-Altimeter Data (2016-2019)[J]. Journal of Hydrology, 2020, 590: 125544.

[9]
袁康, 谭德宝, 文雄飞, 等. 库赛湖水位动态监测及气候要素分析[J]. 长江科学院院报, 2022, 39(2): 153-158.

DOI

(YUAN Kang, TAN De-bao, WEN Xiong-fei, et al. Dynamic Monitoring of Water Level Change in Kusai Lake and Analysis of Climatic Driving Forces[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(2): 153-158. (in Chinese))

DOI

[10]
孙明智, 刘新, 汪海洪, 等. 多源卫星测高数据监测拉昂错1992年—2020年水位变化[J]. 遥感学报, 2022, 26(1):126-137.

(SUN Ming-zhi, LIU Xin, WANG Hai-hong, et al. Monitoring Lake Level Change in La-ang Co from 1992 to 2020 Using Multi-altimeter Data[J]. National Remote Sensing Bulletin, 2022, 26(1):126-137. (in Chinese))

[11]
WINGHAM DJ, RAPLEY CG, GRIFFITHS H. New techniques in satellite tracking system[C]// Proceedings of IGARSS’86 Symposium, Zurich, 1986: 1339-1344.

[12]
DAVISC H. A Robust Threshold Retracking Algorithm for Measuring Ice-sheet Surface Elevation Change from Satellite Radar Altimeters[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(4): 974-979.

[13]
BAMBERJ L. Ice Sheet Altimeter Processing Scheme[J]. International Journal of Remote Sensing, 1994, 15(4): 925-938.

[14]
黄征凯, 汪海洪, 温志强, 等. 基于波形净化技术的内陆湖泊波形重跟踪算法[J]. 长江科学院院报, 2021, 38(2): 149-154.

DOI

(HUANG Zheng-kai, WANG Hai-hong, WEN Zhi-qiang, et al. Waveform Retracking Algorithm for Inland Lake Based on Waveform Decontamination Technology[J]. Journal of Yangtze River Scientific Research Institute, 2021, 38(2): 149-154. (in Chinese))

DOI

[15]
HUANG Q, LONG D, DU M, et al. An Improved Approach to Monitoring Brahmaputra River Water Levels Using Retracked Altimetry Data[J]. Remote Sensing of Environment, 2018, 211: 112-128.

[16]
高贤文, 金涛勇, 李建成. 兼顾内陆水体水位时空变化特性的合成孔径雷达波形重跟踪算法[J]. 测绘学报, 2024, 53(2): 217-230.

DOI

(GAO Xian-wen, JIN Tao-yong, LI Jian-cheng. An Improved Retracker Considering Spatial and Temporal Characteristics of Inland Water Level Changes for SAR Altimetry[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(2): 217-230. (in Chinese))

DOI

[17]
SULISTIOADIY B, TSENG K H, SHUM C K, et al. Satellite Radar Altimetry for Monitoring Small Rivers and Lakes in Indonesia[J]. Hydrology and Earth System Sciences, 2015, 19(1): 341-359.

[18]
杨兴超, 郭斌, 邢文雪, 等. Sentinel-3测高数据在湖库区域的波形重跟踪方法: 以东平湖和峡山水库为例[J]. 地球物理学报, 2023, 66(3): 986-996.

(YANG Xing-chao, GUO Bin, XING Wen-xue, et al. Waveform Retracking Method of Sentinel-3 Altimetry Data in Lake and Reservoir Areas—Taking Dongping Lake and Xiashan Reservoir as Examples[J]. Chinese Journal of Geophysics, 2023, 66(3): 986-996. (in Chinese))

[19]
MA S, LIAO J, JING R, et al. A Dataset of Lake Level Changes in China between 2002 and 2023 Using Multi-altimeter Data[J]. Big Earth Data, 2024, 8(1): 166-188.

[20]
武汉市水务局. 2020年武汉市水资源公报[EB/OL].(2021-04-13)[2024-07-10].

Wuhan Municipal Water Authority. Wuhan Water Resources Bulletin 2020[EB/OL].(2021-04-13)[2024-07-10]. (in Chinese)

Options
文章导航

/

〈 〉

*严禁使用本系统存储、处理、传输涉密信息*
版权所有 © 《长江科学院院报》编辑部
技术支持：北京玛格泰克科技发展有限公司